JPH08220226A - 目標信号検出方式 - Google Patents

Abstract

(57)【要約】 【目的】音波や電磁波の反射波を応用した目標信号検出
方式において、目標反射波データから特徴素を自動抽出
し自動的に定量化し、これを基に自動目標検出を行う。 【構成】アクティブソーナー反射音データ１は一定のサ
ンプル間隔で反射音の強度（振幅）と方位を示す。前処
理部２はこのアクティブソーナー反射音データ１を検出
精度の向上と学習の効率化のために信号検出パターンに
変換する。ニューラルネットワークによる学習処理部３
はこの信号検出パターンを入力パターンとして使用し
て、ニューラルネットワークに入力パターンと既知の出
力との関係を学習させる。ニューラルネットワークによ
る信号検出部４はこの学習結果により入力パターンを検
出する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は音波や電磁波を応用した
目標信号検出方式に関し、特に目標からの反射波データ
により目標を自動検出する目標信号検出方式に関する。

【０００２】

【従来の技術】音波や電磁波を応用した目標探知機で
は、反射データの中から目標とするエコーを探知して検
出することが一般に行われるが、従来の目標信号検出方
式では、反射データの目標エコー部分の振幅，方位，距
離の各データを使用し、例えば得られたデータを表示さ
せ、この表示の視認により目標の反射強度や大きさ等の
探知目標の特徴抽出を行って検出していた。

【０００３】

【発明が解決しようとする課題】この従来の目標信号検
出方式では、目標信号検出の大部分が操作員の知識や経
験に依存しているので、操作員が着目する目標反射デー
タのあいまいな特徴知識を定量的に表現することが困難
であった。また気象や海象等の状態に依存して季節，時
間，場所によりダイナミックに変動する目標反射データ
の統計解析による変動量の把握や基準パターンの作成が
困難であるため、目標信号検出の自動化に支障を来たす
という問題点があった。

【０００４】本発明はこのような問題点を解決すべくな
されたもので、目標反射データから特徴素を自動抽出
し、この特徴素を自動的に定量化し、これを基に目標の
信号検出を行う目標信号検出方式を提供することを目的
とする。

【０００５】

【課題を解決するための手段】本発明の目標信号検出方
式は、音波や電磁波の反射波を応用した目標信号検出方
式において、一定のサンプル間隔で前記反射波の振幅と
方位を示す入力データを信号検出用パターンに変換して
出力する前処理部と、前記信号検出用パターンを入力パ
ターンとして使用してニューラルネットワークに前記入
力パターンと既知の出力との関係を学習させるニューラ
ルネットワークによる学習処理部と、この学習結果によ
り前記入力パターンを検出するニューラルネットワーク
による信号検出部とを備えている。

【０００６】そして、前記前処理部は前記反射波の振幅
のピーク位置を検出するピーク検出処理と、この検出し
たピーク位置を中心に極座標データから直交座標データ
へ変換する直交座標変換処理と、直交座標系に分布する
振幅データのばらつきから回帰直線を算出するアスペク
ト算出処理と、前記回帰直線を直交座標系のＹ軸に対し
て平行となるよう回転する座標回転処理と、この回転さ
れた前記直交座標系の振幅データをＸ軸上およびＹ軸上
へ投影する座標投影処理と、この投影した前記各振幅デ
ータを正規化する正規化処理とを含む処理を行い、前記
ニューラルネットワークによる学習処理部は前記正規化
した振幅データを補間して生成した信号検出パターンを
前記ニューラルネットワークにより学習させる学習処理
を行うことを特徴とする。

【０００７】

【作用】本発明の目標信号検出方式では、前処理と、ニ
ューラルネットワーク処理に分けて処理を行っている。

【０００８】前処理では、音波や電磁波の反射波を受け
てまず振幅のピーク位置を検出し、目標信号の位置の一
律化をはかる。次いで距離に依存する振幅データのばら
つきを正規化すべく直交変換を行う。次に回帰直線を算
出しこれを目標のアスペクト（態勢）として座標回転に
より態勢を一律化する。

【０００９】そして、振幅データをＸ軸上およびＹ軸上
に投影することにより２つの２次元データに変換する。
最後に各振幅データを正規化して信号検出用パターンを
生成する。その結果得られたパターンは振幅データに位
置ずれがなく且つ大きさが等しいなどパターンの条件が
同じで、さらにデータ量が削減されたものとなる。

【００１０】この前処理によってニューラルネットワー
クの学習の効率化と検出精度の向上がはかれる。

【００１１】次にニューラルネットワーク処理では、ま
ず補間によりニューラルネットワークの入力層のユニッ
ト数と振幅データ数との整合をはかる。

【００１２】また、ニューラルネットワークへの入力は
Ｘ軸上およびＹ軸上へ投影した２次元パターンを同時に
入力することで、ニューラルネットワークは３次元の振
幅パターンとして学習・認識することができる。

【００１３】そして、ニューラルネットワークにこのパ
ターンを入力し、このパターンが何からの反射データで
あるかを学習することにより、このパターンの持つ特徴
を自動抽出，定量化することができる。

【００１４】最後に、学習済みのニューラルネットワー
クへ未学習のパターンを入力し、このパターンと出力と
の関係を算出して信号検出を行う。

【００１５】

【実施例】次に、本発明について図面を参照して説明す
る。図１は本発明の一実施例を示すアクティブソーナー
目標信号検出方式のブロック図である。

【００１６】図１において、入力データは一定のサンプ
ル間隔で反射音の強度（振幅）と方位とを示すアクティ
ブソーナー反射音データである。

【００１７】そして、本実施例はアクティブソーナー反
射音データ１を検出精度の向上と学習の効率化のために
信号検出用パターンに変換する前処理部２と、この信号
検出用パターンを入力パターンとして使用してニューラ
ルネットワークに入力パターンと既知の出力との関係を
学習させるニューラルネットワークによる学習処理部３
と、このニューラルネットワークによる学習処理部３の
学習結果により入力パターンを検出するニューラルネッ
トワークによる信号検出部４とから構成される。

【００１８】次に、図２，図３，図４を参照して本実施
例の動作について説明する。図２，図３，図４はそれぞ
れ図１における前処理部，ニューラルネットワークによ
る学習処理部，ニューラルネットワークによる信号検出
部の処理の一例を示す詳細ブロック図である。

【００１９】まず、前処理部２の動作について説明す
る。図２に示すように、アクティブソーナー反射音デー
タ１がピーク検出処理２０１に供給されると、ピーク検
出処理２０１は振幅の最大値を検出し、この振幅の最大
値を中心に一定の方位幅と距離幅に切り出す。ピーク検
出処理２０１で抽出された振幅データは直交座標変換処
理２０２により極座標系データから直交座標系データに
変換される。この変換は振幅の最大値の位置（距離Ｒ
ｃ，方位θｃ）を基に以下の式で変換される。

【００２０】Ｘｉ＝Ｒｉ×ｓｉｎ（θｉ−θｃ） Ｙｉ＝Ｒｉ×ｃｏｓ（θｉ−θｃ）−Ｒｃ ここで、Ｒｉ，θｉは変換前の振幅データの距離，方
位、Ｘｉ，Ｙｉは変換後の幅，距離をそれぞれ示す。こ
れによって距離により方位方向にばらつき度合が異なる
振幅データを正規化する。

【００２１】次に、切り出し処理２０３では、振幅の最
大値を中心にさらに一定の半径（検出の対象とする目標
の長さ）で再度切り出しを行う。

【００２２】第１のデータ挿入処理２０４では、アスペ
クト算出処理２０５における算出精度向上のため、振幅
データの重み付けを行う。ここで、切り出し処理２０３
で得られた振幅データの平均値と最大値の差を算出し、
これをｎ個で分割したものをｎ個の閾値とする。この閾
値は値が大きい程重みが大きいものとする。

【００２３】次に各振幅データをｎ個の閾値と比較し、
閾値を超えたものは、その振幅データの近傍に振幅デー
タと同じ値のものを超えた閾値の重みの数だけ置く。こ
の挿入データはアスペクト算出処理２０５のみで使用す
る。

【００２４】アスペクト算出処理２０５では、振幅デー
タの位置（Ｘｉ，Ｙｉ）のばらつきを回帰直線（Ｙ＝ａ
＋ｂＸ）で近似する。なお、係数ａ，ｂは次の式で算出
する。

【００２５】

【００２６】この算出された回帰直線を目標の態勢とす
る。

【００２７】座標回転処理２０６では、アスペクト算出
処理２０５で算出された回帰直線をＹ軸と平行になるよ
う振幅最大値を中心に座標回転する。これにより目標の
態勢の一律化をはかる。

【００２８】平行移動処理２０７では、座標回転処理２
０６でＹ軸と平行となった回帰直線をＹ軸上に平行移動
する。これにより、一律となった態勢の位置ずれを修正
する。

【００２９】座標投影処理２０８では、Ｘ，Ｙ平面
（幅，距離平面）に分布する振幅データをＸ軸（幅）お
よびＹ軸（距離）に投影する。同一の位置に振幅データ
が複数投影される場合には、振幅データの最も大きなも
のを採る。

【００３０】幅／距離の正規化処理２０９では、座標投
影処理２０８で投影された幅および距離の２つの振幅構
造において振幅データの存在する始端と終端を算出し、
始端を０，終端を１として各振幅データの位置を正規化
する。

【００３１】レベルの正規化処理２１０では、振幅デー
タの最大値を検出し、この振幅レベルを１として各振幅
レベルの正規化を行う。これを幅および距離の２つの振
幅構造に対して行う。

【００３２】次に、ニューラルネットワークによる学習
処理部３の動作について説明する。前処理部２において
作成した幅および距離に投影された振幅データは等間隔
で並んではいない。このような振幅データを図３に示す
補間処理３２０に直接入れた場合には、スムーズな補間
ができないことがある。

【００３３】そこで、第２のデータ挿入処理３１０で
は、振幅データの間隔を見てデータの挿入を行う。第２
のデータ挿入処理３１０では、２つの場合を考える。

【００３４】一つは振幅データの間隔がｓ１以上のかな
り広い場合で、間隔Δｘで振幅の値０のデータを挿入す
る。他の一つは振幅データの間隔がｓ２以上ｓ１以下の
少し広い場合で、この間隔を作る振幅データを直線補間
し、間隔Δｘで直線補間に見合った振幅データを挿入す
る。これを幅および距離の２つの振幅構造に対して行
う。ここでｓ１，ｓ２は、ｓ１以上を信号が存在しない
区間、ｓ２からｓ１までを信号が存在する区間と見な
し、Δｘは補間処理３２０で補間結果がスムーズとなる
間隔とする。

【００３５】補間処理３２０では、データ挿入処理３１
０で作成された振幅データと学習処理３３０の入力層の
ユニット数とを整合するため、振幅データを補間して等
間隔のユニット数に見合った数の振幅データを作成す
る。これを幅および距離の２つの振幅データに対して行
う。

【００３６】学習処理３３０では、補間処理３２０で作
成された振幅構造をニューラルネットワークにより学習
する。学習処理３３０で使用するニューラルネットワー
クの構成は３層（入力層，中間層，出力層）の階層型
で、各層間のユニットはすべて結合されている。ニュー
ラルネットワークの作動は、作動の原理３３１のものを
使用する。

【００３７】学習の手順は、まず学習処理３３０のニュ
ーラルネットワークの入力層各ユニットへ補間処理３２
０で作成された幅および距離の２つの振幅データの振幅
値を入力する。ニューラルネットワークでは、この入力
データに基づきニューラルネットワーク出力層の出力値
を算出する。

【００３８】次にこの出力値と入力層に入力した振幅構
造が何であるかを示す教師信号との差を誤差として算出
する。そして、この誤差に基づきユニット間の重み（Ｗ
ｎ）とユニットの閾値（θｉ）を更新する。この更新の
手法としてはバックプロパゲーションを使用する。

【００３９】学習はこの一連の処理を誤差が一定の極小
値となるまで繰り返す。

【００４０】次に、ニューラルネットワークによる信号
検出部４の動作について説明する。ニューラルネットワ
ークによる信号検出部４では、前処理部２において処理
されたデータに対してデータ挿入処理４０１および補間
処理４０２を行うが、これらの処理はニューラルネット
ワークによる学習処理部３のデータ挿入処理３１０およ
び補間処理３２０と同じ機能であるので、ここでは説明
を省略する。

【００４１】信号検出処理４０３では、ニューラルネッ
トワークによる学習処理部３の学習処理３３０で使用し
たニューラルネットワークと同じ構造を持ち、ユニット
間の重み（Ｗｉ）およびユニットの閾値（θｉ）はニュ
ーラルネットワークによる学習処理部３において学習が
終了した時点の値を使用する。

【００４２】信号検出処理４０３では、学習３３０と同
様に補間処理４０２で作成された幅および距離の振幅デ
ータの振幅値をニューラルネットワーク入力層の各ユニ
ットに入力する。

【００４３】ニューラルネットワークはこの入力データ
を基に出力値を算出して信号検出結果を出力する。信号
検出処理はこの信号検出結果出力値が学習処理３３０に
おいて使用した教師信号のどれに近いかを判断すること
により可能となる。

【００４４】

【発明の効果】以上説明したように本発明の目標信号検
出方式は、ニューラルネットワークを適用することによ
り、特徴素の抽出および定量化を自動的に行うので、直
接反射データの検出が可能になると共に、データの特徴
正規化および強化，データの圧縮を行うことによりニュ
ーラルネットワークの認識率が向上し、また学習の効率
化がはかれるという効果を有する。

【図面の簡単な説明】

【図１】本発明の一実施例を示すアクティブソーナー目
標信号検出方式のブロック図である。

【図２】図１における前処理部の処理の一例を示す詳細
ブロック図である。

【図３】図１におけるニューラルネットワークによる学
習処理部の処理の一例を示す詳細ブロック図である。

【図４】図１におけるニューラルネットワークによる信
号検出部の処理の一例を示す詳細ブロック図である。

【符号の説明】

１ アクティブソーナー反射音データ ２ 前処理部 ３ ニューラルネットワークによる学習処理部 ４ ニューラルネットワークによる信号検出部 ２０１ ピーク検出処理 ２０２ 直交座標変換処理 ２０３ 切り出し処理 ２０４，３１０，４０１ データ挿入処理 ２０５ アスペクト算出処理 ２０６ 座標回転処理 ２０７ 平行移動処理 ２０８ 座標投影処理 ２０９ 幅／距離の正規化処理 ２１０ レベルの正規化処理 ３２０，４０２ 補間処理 ３３０ 学習処理 ３３１ 作動の原理 ４０３ 信号検出処理

───────────────────────────────────────────────────── フロントページの続き (72)発明者 高橋 智 東京都港区芝五丁目７番１号 日本電気株 式会社内

Claims (2)

【特許請求の範囲】
1. 【請求項１】 音波や電磁波の反射波を応用した目標信
   号検出方式において、一定のサンプル間隔で前記反射波
   の振幅と方位を示す入力データを信号検出用パターンに
   変換して出力する前処理部と、前記信号検出用パターン
   を入力パターンとして使用してニューラルネットワーク
   に前記入力パターンと既知の出力との関係を学習させる
   ニューラルネットワークによる学習処理部と、この学習
   結果により前記入力パターンを検出するニューラルネッ
   トワークによる信号検出部とを備えることを特徴とする
   目標信号検出方式。
2. 【請求項２】 前記前処理部は前記反射波の振幅のピー
   ク位置を検出するピーク検出処理と、この検出したピー
   ク位置を中心に極座標データから直交座標データへ変換
   する直交座標変換処理と、直交座標系に分布する振幅デ
   ータのばらつきから回帰直線を算出するアスペクト算出
   処理と、前記回帰直線を直交座標系のＹ軸に対して平行
   となるよう回転する座標回転処理と、この回転された前
   記直交座標系の振幅データをＸ軸上およびＹ軸上へ投影
   する座標投影処理と、この投影した前記各振幅データを
   正規化する正規化処理とを含む処理を行い、前記ニュー
   ラルネットワークによる学習処理部は前記正規化した振
   幅データを補間して生成した信号検出パターンを前記ニ
   ューラルネットワークにより学習させる学習処理を行う
   ことを特徴とする請求項１記載の目標信号検出方式。